SeaKR: Selbstbewusste Wissensabfrage für adaptive Abfrageunterstützung bei der Generierung

SeaKR: Self-aware Knowledge Retrieval for Adaptive Retrieval Augmented Generation

June 27, 2024

Autoren: Zijun Yao, Weijian Qi, Liangming Pan, Shulin Cao, Linmei Hu, Weichuan Liu, Lei Hou, Juanzi Li

cs.AI

Zusammenfassung

Dieses Papier stellt Self-aware Knowledge Retrieval (SeaKR) vor, ein neuartiges adaptives RAG-Modell, das selbstbewusste Unsicherheit von LLMs aus ihren internen Zuständen extrahiert. SeaKR aktiviert die Wissensabfrage, wenn die LLMs eine hohe selbstbewusste Unsicherheit für die Generierung aufweisen. Um Wissensfragmente effektiv zu integrieren, werden sie von SeaKR basierend auf der selbstbewussten Unsicherheit des LLMs neu geordnet, um das Fragment zu bewahren, das ihre Unsicherheit am meisten reduziert. Um die Lösung komplexer Aufgaben zu erleichtern, die mehrere Abfragen erfordern, nutzt SeaKR ihre selbstbewusste Unsicherheit, um zwischen verschiedenen Schlussfolgerungsstrategien zu wählen. Unsere Experimente mit komplexen und einfachen Frage-Antwort-Datensätzen zeigen, dass SeaKR bestehende adaptive RAG-Methoden übertrifft. Wir veröffentlichen unseren Code unter https://github.com/THU-KEG/SeaKR.

English

This paper introduces Self-aware Knowledge Retrieval (SeaKR), a novel adaptive RAG model that extracts self-aware uncertainty of LLMs from their internal states. SeaKR activates retrieval when the LLMs present high self-aware uncertainty for generation. To effectively integrate retrieved knowledge snippets, SeaKR re-ranks them based on LLM's self-aware uncertainty to preserve the snippet that reduces their uncertainty to the utmost. To facilitate solving complex tasks that require multiple retrievals, SeaKR utilizes their self-aware uncertainty to choose among different reasoning strategies. Our experiments on both complex and simple Question Answering datasets show that SeaKR outperforms existing adaptive RAG methods. We release our code at https://github.com/THU-KEG/SeaKR.